Machine Unlearning: Taxonomy, Metrics, Applications, Challenges, and Prospects

个人数字数据是一项重要的资产，世界各国政府已经实施法律和法规来保护数据隐私。数据使用者已经被赋予了被遗忘权，即在用户请求时，模型提供者需要删除用户数据及其对机器学习模型的影响。机器学习反遗忘应运而生，受到了行业和学术界的越来越多的关注。虽然该领域发展迅速，但缺乏全面的调查来捕捉最新的进展。为了弥补这一短缺，我们进行了广泛的探索，绘制了机器反遗忘的全貌，包括集中和分布式环境下的（细粒度）反遗忘算法分类、近似反遗忘的讨论、验证和评估指标、不同应用场景下的反遗忘挑战和解决方案，以及针对机器反遗忘的攻击。调查最后概述了未来研究的潜在方向，希望成为感兴趣学者的指南。

本文旨在探讨机器遗忘（Machine Unlearning）的最新进展，包括算法分类、近似遗忘、验证和评估指标、不同应用场景下的挑战和解决方案，以及攻击机器遗忘的方式。

本文提出了机器遗忘的概念，并探讨了在集中和分布式环境下的遗忘算法。此外，本文还探讨了近似遗忘、验证和评估指标等问题，并提出了未来研究的方向。

本文提供了一份全面的机器遗忘调查报告，包括算法分类、近似遗忘、验证和评估指标、不同应用场景下的挑战和解决方案，以及攻击机器遗忘的方式。本文还探讨了未来研究的方向。

近期的相关研究包括《A Comprehensive Survey on Machine Unlearning》、《Efficient Machine Unlearning: A Case Study in Privacy-preserving Healthcare》等。